CN114866979A - 一种无人机辅助的边缘计算时延最小化方法 - Google Patents

一种无人机辅助的边缘计算时延最小化方法 Download PDF

Info

Publication number
CN114866979A
CN114866979A CN202210526799.2A CN202210526799A CN114866979A CN 114866979 A CN114866979 A CN 114866979A CN 202210526799 A CN202210526799 A CN 202210526799A CN 114866979 A CN114866979 A CN 114866979A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
node
calculation
time delay
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210526799.2A
Other languages
English (en)
Inventor
田贤忠
闵旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202210526799.2A priority Critical patent/CN114866979A/zh
Publication of CN114866979A publication Critical patent/CN114866979A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/18502—Airborne stations
    • H04B7/18504—Aircraft used as relay or high altitude atmospheric platform
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0958—Management thereof based on metrics or performance parameters
    • H04W28/0967—Quality of Service [QoS] parameters
    • H04W28/0975—Quality of Service [QoS] parameters for reducing delays
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种无人机辅助的边缘计算时延最小化方法，包括以下步骤：系统设置K个物联网节点，N架无人机，M个地面基站服务器；每个物联网设备产生一个计算任务Wk，每个任务可以卸载至无人机进行计算，也可以利用无人机为中继卸载至基站服务器进行计算；以最小化用时最多节点的任务的计算时延为优化目标，以无人机的位置、节点的卸载决策、无人机和服务器的计算资源分配策略、以及无人机和服务器的通信资源分配策略为优化变量，建立优化问题P的数学模型；利用K‑Means聚类算法和交叉迭代相结合的方法求解问题P。利用求得的方案部署于系统，达到最小化时延的目的。本发明能实现计算卸载时延最小化。

Description

一种无人机辅助的边缘计算时延最小化方法
技术领域
本发明属于5G网络计算卸载技术领域，尤其涉及一种无人机辅助的边缘计算时延最小化方法。
背景技术
边缘计算是5G网络的核心技术之一。边缘计算中边缘服务器的部署位置会严重影响到边缘计算的性能。将无人机应用于边缘计算场景使得服务更加灵活，能够更加适应目前多变的应用环境。由于无人机的能耗限制，其搭载能力与飞行时间有限，加强空地协作为物联网节点提供服务是十分必要的。针对地面节点不能直接连接到基站的复杂场景，采用携带有限计算资源的无人机，其既能充当服务器，又能充当中继将任务传输至计算能力更强大的基站服务器。对此种模型下节点的卸载策略、带宽和计算资源分配进行研究具有非常重要的意义。
发明内容
本发明要克服现有技术的上述缺点，提供一种无人机辅助的边缘计算时延最小化方法。
本发明利用无人机灵活部署的优势，设计了无人机辅助MEC系统计算卸载模型，考虑固定高度的无人机，联合优化无人机位置部署、节点的卸载决策、无人机和服务器的资源分配，实现最小化最大计算卸载时延的目标。
为了实现上述目的，一种无人机辅助的边缘计算时延最小化方法，包括如下步骤：
步骤1：设置具体应用场景。系统中设置K个物联网节点，N架无人机，M个地面基站服务器，其中D＝{d1,d2,…,dK}表示物联网节点的集合，U＝{u1,u2,…,uN}表示无人机的集合，A＝{a1,a2,…,aM}表示M个基站的集合。所有物联网节点和基站服务器都部署在地面上，物联网节点的位置用
Figure BDA0003644701940000011
Figure BDA0003644701940000012
表示，基站服务器的位置用
Figure BDA0003644701940000013
表示。所有无人机均部署在同一高度H上，无人机的位置用
Figure BDA0003644701940000014
表示。
步骤2：每个物联网设备产生一个计算任务Wk＝(Ck,Fk)，两个参数依次表示任务数据大小和处理一位任务数据所需CPU周期数。每个任务可以卸载至无人机进行计算，也可以利用无人机为中继卸载至基站服务器进行计算。用αk,n∈{0,1}表示节点dk是否选择无人机un进行卸载，1为选择，0为不选择，设定每个物联网节点只能选择到一架无人机，即
Figure BDA0003644701940000021
用βk,m∈{0,1}表示节点dk的任务最终在哪个地面服务器或无人机完成计算，βk,0＝1表示任务在无人机上计算，βk,m＝1,m∈{1,2,…,M}表示在地面服务器am上计算，
Figure BDA0003644701940000022
步骤3：以最小化用时最多的节点dk上任务的计算时延为优化目标，以无人机的位置
Figure BDA0003644701940000023
节点的卸载决策αk,n和βk,m、无人机和服务器的计算资源分配策略
Figure BDA0003644701940000024
和
Figure BDA0003644701940000025
以及无人机和服务器的通信资源分配策略
Figure BDA0003644701940000026
和
Figure BDA0003644701940000027
为优化变量，建立优化问题P的数学模型；
步骤4：利用K-Means聚类算法和交叉迭代相结合的方法求解步骤3中的问题P，得到上述步骤3中优化变量的值。
进一步地，步骤3中节点dk上任务的计算时延为：
Figure BDA0003644701940000028
其中，
Figure BDA0003644701940000029
表示节点dk到无人机un的上行传输时延，
Figure BDA00036447019400000210
Figure BDA00036447019400000211
为上行传输速率，
Figure BDA00036447019400000212
表示无人机un分配给节点dk的带宽资源，
Figure BDA00036447019400000213
为发射功率，
Figure BDA00036447019400000214
为上行信道增益，ρ0表示发射功率为1W参考距离为1m处的接收功率，
Figure BDA00036447019400000215
表示上行链路的欧氏距离，σ2为噪声功率；
Figure BDA00036447019400000216
表示任务Wk在无人机un的计算时延，
Figure BDA00036447019400000217
表示无人机un分配给节点dk的计算资源；
Figure BDA00036447019400000218
表示无人机un到地面基站am之间的下行链路传输延迟，
Figure BDA00036447019400000219
Figure BDA00036447019400000220
和
Figure BDA00036447019400000221
分别表示无人机un的下行带宽和无人机的发射功率，
Figure BDA00036447019400000222
为下行信道增益；
Figure BDA00036447019400000223
为地面基站的计算时延，
Figure BDA00036447019400000224
表示基站am分配给节点dk任务的计算资源。
再进一步地，所述步骤3中，问题P的限制条件为：
Figure BDA0003644701940000031
Figure BDA0003644701940000032
Figure BDA0003644701940000033
Figure BDA0003644701940000034
Figure BDA0003644701940000035
Figure BDA0003644701940000036
这里
Figure BDA0003644701940000037
表示无人机的最大计算资源，BUL表示无人机可分配的最大带宽，BDL表示每个基站服务器可分配的最大带宽，
Figure BDA0003644701940000038
表示每个基站服务器的最大计算资源。
更进一步地，步骤4中利用K-Means聚类算法和交叉迭代相结合的方法求解步骤3的问题P的步骤为：
步骤4.1：采用K-Means聚类算法对地面物联网节点坐标以欧氏距离进行聚类得到无人机的位置
Figure BDA0003644701940000039
步骤4.2：每个节点选择距离最近的无人机进行卸载，初始化αk,n；
步骤4.3：遍历每个节点不同的卸载方案αk,n,βk,m；
步骤4.4：根据多个节点的任务传输至同一架无人机通信时延相等的原则分配的通信带宽资源
Figure BDA00036447019400000310
根据多架无人机卸载任务至同一地面服务器时延相等的原则分配通信带宽资源
Figure BDA00036447019400000311
同理计算资源
Figure BDA00036447019400000312
和
Figure BDA00036447019400000313
步骤4.5：利用上述的
Figure BDA00036447019400000314
αk,n、βk,m、
Figure BDA00036447019400000315
值，计算每个节点任务的计算完成时延，取用时最多的节点的值Tk为目标值；
步骤4.6：重复步骤4.3-4.5，取最小的目标值，直到目标值不再变化，记下对应的
Figure BDA0003644701940000041
αk,n、βk,m、
Figure BDA0003644701940000042
值为所求问题P的解。
本发明的有益效果主要表现在：本发明适用于无人机辅助的边缘计算场景，通过联合优化无人机位置部署、节点卸载策略、以及无人机与服务器的带宽与资源分配策略，实现计算卸载时延最小化的目标。
附图说明：
图1是本发明的无人机辅助的边缘计算模型示意图。
图2是本发明的K-Means的算法流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
结合图1、图2，一种无人机辅助的边缘计算时延最小化方法，所述方法包括如下步骤：
步骤1：设置具体应用场景，如图1。系统中设置K个物联网节点，N架无人机，M个地面基站服务器，其中D＝{d1,d2,…,dK}表示物联网节点的集合，U＝{u1,u2,…,uN}表示无人机的集合，A＝{a1,a2,…,aM}表示M个基站的集合。所有物联网节点和基站服务器都部署在地面上，物联网节点的位置用
Figure BDA0003644701940000043
Figure BDA0003644701940000044
表示，基站服务器的位置用
Figure BDA0003644701940000045
表示。所有无人机均部署在同一高度H上，无人机的位置用
Figure BDA0003644701940000046
表示。
步骤2：每个物联网设备产生一个计算任务Wk＝(Ck,Fk)，两个参数依次表示任务数据大小和处理一位任务数据所需CPU周期数。每个任务可以卸载至无人机进行计算，也可以利用无人机为中继卸载至基站服务器进行计算。用αk,n∈{0,1}表示节点dk是否选择无人机un进行卸载，1为选择，0为不选择，设定每个物联网节点只能选择到一架无人机，即
Figure BDA0003644701940000047
用βk,m∈{0,1}表示节点dk的任务最终在哪个地面服务器或无人机完成计算，βk,0＝1表示任务在无人机上计算，βk,m＝1,m∈{1,2,…,M}表示在地面服务器am上计算，
Figure BDA0003644701940000048
步骤3：以最小化用时最多的节点dk上任务的计算时延为优化目标，以无人机的位置
Figure BDA0003644701940000049
节点的卸载决策αk,n和βk,m、无人机和服务器的计算资源分配策略
Figure BDA0003644701940000051
和
Figure BDA0003644701940000052
以及无人机和服务器的通信资源分配策略
Figure BDA0003644701940000053
和
Figure BDA0003644701940000054
为优化变量，建立优化问题P的数学模型；
步骤4：利用K-Means聚类算法和交叉迭代相结合的方法求解步骤3中的问题P，得到上述步骤3中优化变量的值。
进一步地，步骤3中节点dk上任务的计算时延为：
Figure BDA0003644701940000055
Figure BDA0003644701940000056
其中，
Figure BDA0003644701940000057
表示节点dk到无人机un的上行传输时延，
Figure BDA0003644701940000058
Figure BDA0003644701940000059
为上行传输速率，
Figure BDA00036447019400000510
表示无人机un分配给节点dk的带宽资源，
Figure BDA00036447019400000511
为发射功率，
Figure BDA00036447019400000512
为上行信道增益，ρ0表示发射功率为1W参考距离为1m处的接收功率，
Figure BDA00036447019400000513
表示上行链路的欧氏距离，σ2为噪声功率；
Figure BDA00036447019400000514
表示任务Wk在无人机un的计算时延，
Figure BDA00036447019400000515
表示无人机un分配给节点dk的计算资源；
Figure BDA00036447019400000516
表示无人机un到地面基站am之间的下行链路传输延迟，
Figure BDA00036447019400000517
Figure BDA00036447019400000518
和
Figure BDA00036447019400000519
分别表示无人机un的下行带宽和无人机的发射功率，
Figure BDA00036447019400000520
为下行信道增益；
Figure BDA00036447019400000521
为地面基站的计算时延，
Figure BDA00036447019400000522
表示基站am分配给节点dk任务的计算资源。
再进一步地，所述步骤3中，问题P的限制条件为：
Figure BDA00036447019400000523
Figure BDA00036447019400000524
Figure BDA00036447019400000525
Figure BDA00036447019400000526
Figure BDA00036447019400000527
Figure BDA0003644701940000061
这里
Figure BDA0003644701940000062
表示无人机的最大计算资源，BUL表示无人机可分配的最大带宽，表示每个基站服务器可分配的最大带宽，表示每个基站服务器的最大计算资源。其中C1表示每个物联网节点只能选择到一架无人机，C2表示计算任务只能卸载到无人机或其中一个地面基站服务器上计算，C3表示无人机分配给节点任务的资源不能超过本身的最大计算资源，C4表示无人机分配给各节点的带宽不能超过本身接收的最大带宽，C5表示基站服务器分配给节点任务的资源不能超过本身的最大计算资源，C6表示无人机下行带宽不能超过服务器分配给它的最大带宽。
更进一步地，步骤4中利用K-Means聚类算法和交叉迭代相结合的方法求解步骤3的问题P的步骤为：
步骤4.1：如图2所示，采用K-Means聚类算法对地面物联网节点坐标以欧氏距离进行聚类得到无人机的位置
Figure BDA0003644701940000063
步骤4.2：每个节点选择距离最近的无人机进行卸载，初始化αk,n；
步骤4.3：遍历每个节点不同的卸载方案αk,n,βk,m；
步骤4.4：根据多个节点的任务传输至同一架无人机通信时延相等的原则分配的通信带宽资源
Figure BDA0003644701940000064
根据多架无人机卸载任务至同一地面服务器时延相等的原则分配通信带宽资源
Figure BDA0003644701940000065
同理计算资源
Figure BDA0003644701940000066
和
Figure BDA0003644701940000067
步骤4.5：利用上述的
Figure BDA0003644701940000068
αk,n、βk,m、
Figure BDA0003644701940000069
值，计算每个节点任务的计算完成时延，取用时最多的节点的值Tk为目标值；
步骤4.6：重复步骤4.3-4.5，取最小的目标值，直到目标值不再变化，记下对应的
Figure BDA00036447019400000610
αk,n、βk,m、
Figure BDA00036447019400000611
值为所求问题P的解。
针对如图1所示的K个物联网节点、N架无人机、M个地面基站服务器的应用场景来说明本发明的具体实施方案。
首先，设置K个物联网节点，N架无人机，M个地面基站服务器，所有物联网节点和基站服务器都部署在地面上，无人机均部署在同一高度H上；
其次，每个物联网设备产生一个计算任务Wk，每个任务可以卸载至无人机进行计算，也可以利用无人机为中继卸载至基站服务器进行计算；
然后，以最小化用时最多节点的任务的计算时延为优化目标，以无人机的位置、节点的卸载决策、无人机和服务器的计算资源分配策略、以及无人机和服务器的通信资源分配策略为优化变量，建立优化问题P的数学模型；
再然后，利用K-Means聚类算法和交叉迭代相结合的方法求解步骤3中的问题P；
最后，将求得的最佳方案部署于系统中。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (4)

1.一种无人机辅助的边缘计算时延最小化方法，其特征在于，包括如下步骤：
步骤1：设置具体应用场景；系统中设置K个物联网节点，N架无人机，M个地面基站服务器，其中D＝{d1,d2,…,dK}表示物联网节点的集合，U＝{u1,u2,…,uN}表示无人机的集合，A＝{a1,a2,…,aM}表示M个基站的集合；所有物联网节点和基站服务器都部署在地面上，物联网节点的位置用
Figure FDA0003644701930000011
Figure FDA0003644701930000012
表示，基站服务器的位置用
Figure FDA0003644701930000013
表示；所有无人机均部署在同一高度H上，无人机的位置用
Figure FDA0003644701930000014
表示；
步骤2：每个物联网设备产生一个计算任务Wk＝(Ck,Fk)，两个参数依次表示任务数据大小和处理一位任务数据所需CPU周期数；每个任务可以卸载至无人机进行计算，也可以利用无人机为中继卸载至基站服务器进行计算；用αk,n∈{0,1}表示节点dk是否选择无人机un进行卸载，1为选择，0为不选择，设定每个物联网节点只能选择到一架无人机，即
Figure FDA0003644701930000015
用βk,m∈{0,1}表示节点dk的任务最终在哪个地面服务器或无人机完成计算，βk,0＝1表示任务在无人机上计算，βk,m＝1,m∈{1,2,…,M}表示在地面服务器am上计算，
Figure FDA0003644701930000016
步骤3：以最小化用时最多的节点dk上任务的计算时延为优化目标，以无人机的位置
Figure FDA0003644701930000017
节点的卸载决策αk,n和βk,m、无人机和服务器的计算资源分配策略
Figure FDA00036447019300000117
和
Figure FDA0003644701930000018
以及无人机和服务器的通信资源分配策略
Figure FDA0003644701930000019
和
Figure FDA00036447019300000110
为优化变量，建立优化问题P的数学模型；
步骤4：利用K-Means聚类算法和交叉迭代相结合的方法求解步骤3中的问题P，得到上述步骤3中优化变量的值。
2.如权利要求1所述的一种无人机辅助的边缘计算时延最小化方法，其特征在于：步骤3中节点dk上任务的计算时延为：
Figure FDA00036447019300000111
其中，
Figure FDA00036447019300000112
表示节点dk到无人机un的上行传输时延，
Figure FDA00036447019300000113
Figure FDA00036447019300000114
为上行传输速率，
Figure FDA00036447019300000115
表示无人机un分配给节点dk的带宽资源，
Figure FDA00036447019300000116
为发射功率，
Figure FDA0003644701930000021
为上行信道增益，ρ0表示发射功率为1W参考距离为1m处的接收功率，
Figure FDA0003644701930000022
表示上行链路的欧氏距离，σ2为噪声功率；
Figure FDA0003644701930000023
表示任务Wk在无人机un的计算时延，
Figure FDA0003644701930000024
表示无人机un分配给节点dk的计算资源；
Figure FDA0003644701930000025
表示无人机un到地面基站am之间的下行链路传输延迟，
Figure FDA0003644701930000026
Figure FDA0003644701930000027
和
Figure FDA0003644701930000028
分别表示无人机un的下行带宽和无人机的发射功率，
Figure FDA0003644701930000029
为下行信道增益；
Figure FDA00036447019300000210
为地面基站的计算时延，
Figure FDA00036447019300000211
表示基站am分配给节点dk任务的计算资源。
3.如权利要求1或2所述的一种无人机辅助的边缘计算时延最小化方法，其特征在于：所述步骤3中问题P的限制条件为：
Figure FDA00036447019300000212
Figure FDA00036447019300000213
Figure FDA00036447019300000214
Figure FDA00036447019300000215
Figure FDA00036447019300000216
Figure FDA00036447019300000217
这里
Figure FDA00036447019300000218
表示无人机的最大计算资源，BUL表示无人机可分配的最大带宽，BDL表示每个基站服务器可分配的最大带宽，
Figure FDA00036447019300000219
表示每个基站服务器的最大计算资源。
4.如权利要求1、2或3所述的一种无人机辅助的边缘计算时延最小化方法，其特征在于：步骤4中利用K-Means聚类算法和交叉迭代相结合的方法求解步骤3的问题P的步骤为：
步骤4.1：采用K-Means聚类算法对地面物联网节点坐标以欧氏距离进行聚类得到无人机的位置
Figure FDA0003644701930000039
步骤4.2：每个节点选择距离最近的无人机进行卸载，初始化αk,n；
步骤4.3：遍历每个节点不同的卸载方案αk,n,βk,m；
步骤4.4：根据多个节点的任务传输至同一架无人机通信时延相等的原则分配的通信带宽资源
Figure FDA0003644701930000031
根据多架无人机卸载任务至同一地面服务器时延相等的原则分配通信带宽资源
Figure FDA0003644701930000032
同理计算资源
Figure FDA0003644701930000033
和
Figure FDA0003644701930000034
步骤4.5：利用上述的
Figure FDA0003644701930000035
αk,n、βk,m、
Figure FDA0003644701930000036
值，计算每个节点任务的计算完成时延，取用时最多的节点的值Tk为目标值；
步骤4.6：重复步骤4.3-4.5，取最小的目标值，直到目标值不再变化，记下对应的
Figure FDA0003644701930000037
αk,n、βk,m、
Figure FDA0003644701930000038
值为所求问题P的解。
CN202210526799.2A 2022-05-16 2022-05-16 一种无人机辅助的边缘计算时延最小化方法 Pending CN114866979A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210526799.2A CN114866979A (zh) 2022-05-16 2022-05-16 一种无人机辅助的边缘计算时延最小化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210526799.2A CN114866979A (zh) 2022-05-16 2022-05-16 一种无人机辅助的边缘计算时延最小化方法

Publications (1)

Publication Number Publication Date
CN114866979A true CN114866979A (zh) 2022-08-05

Family

ID=82638151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210526799.2A Pending CN114866979A (zh) 2022-05-16 2022-05-16 一种无人机辅助的边缘计算时延最小化方法

Country Status (1)

Country Link
CN (1) CN114866979A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115827185A (zh) * 2022-10-31 2023-03-21 中电信数智科技有限公司 6g空中基站结合北斗空中避障的方法、存储介质及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115827185A (zh) * 2022-10-31 2023-03-21 中电信数智科技有限公司 6g空中基站结合北斗空中避障的方法、存储介质及设备
CN115827185B (zh) * 2022-10-31 2023-12-01 中电信数智科技有限公司 6g空中基站结合北斗空中避障的方法、存储介质及设备

Similar Documents

Publication Publication Date Title
CN109413724B (zh) 一种基于mec的任务卸载和资源分配方案
CN110351760B (zh) 一种移动边缘计算系统动态任务卸载及资源分配方法
CN107995660B (zh) 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法
CN111930436B (zh) 一种基于边缘计算的随机型任务排队卸载优化方法
CN111132191B (zh) 移动边缘计算服务器联合任务卸载、缓存及资源分配方法
CN111372314A (zh) 基于移动边缘计算场景下的任务卸载方法及任务卸载装置
CN111757361B (zh) 一种雾网络中基于无人机辅助的任务卸载方法
CN114630397B (zh) 一种基于时隙划分的无人机接入选择方法
CN112105062A (zh) 时敏条件下移动边缘计算网络能耗最小化策略方法
CN110290542B (zh) 海上无人机通信覆盖优化方法及系统
CN114153515B (zh) 一种基于5g毫米波通信的高速公路车联网任务卸载算法
CN114363803B (zh) 一种移动边缘计算网络节能的多任务分配方法及系统
CN114866979A (zh) 一种无人机辅助的边缘计算时延最小化方法
CN113709728B (zh) 一种基于noma及无人机辅助的两阶段移动边缘计算通信方法及系统
CN113627013A (zh) 基于无人机二元卸载边缘计算的系统吞吐量最大化方法
CN114268966B (zh) 一种无人机辅助mec网络低时延多任务分配方法及系统
CN114979135B (zh) 基于移动边缘计算的无人机飞行高度和任务分配控制方法
CN116737391A (zh) 一种联邦模式下基于混合策略的边缘计算协作方法
CN116366127A (zh) 无人机辅助多mec服务器的任务完成率最大化方法
CN114928893B (zh) 一种基于智能反射面的架构及任务卸载方法
CN115118724A (zh) 基于蚁群算法的多无人机辅助边缘计算系统部署优化方法
CN117241296A (zh) 一种基于动态计算窗口优化的通算资源调度方法
CN116192228A (zh) 空天地一体化网络下基于博弈论的任务卸载方法和系统
CN117135690A (zh) 基于节点分簇的无人机辅助mec能耗优化方法及系统
CN117979364A (zh) 一种基于强化学习的空地一体化网络资源优化方法及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination